論文の概要: DeepAJM: Deep Association Joint Model for Irregularly Sampled data

• arxiv url: http://arxiv.org/abs/2610.07388v1
• Date: Mon, 05 Oct 2026 21:02:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.662436
• Title: DeepAJM: Deep Association Joint Model for Irregularly Sampled data
• Title（参考訳）: DeepAJM:不規則サンプリングデータのディープアソシエーション結合モデル
• Abstract要約: パラメトリックな仮定を必要としないディープジョイントモデルDeepAJMを提案する。 モデルは、学習された解釈可能な関連構造を通して、長手過程と生存過程を関連付ける。 我々のモデルは,Cインデックス,時間依存型AUROC,時間依存型AUPRCを全データセットで比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Joint Models simultaneously model longitudinal and survival outcomes, leveraging patterns in patients' longitudinal trajectory to improve the prediction of survival outcomes. The classical parametric joint models, however, rely on fixed parametric assumptions, making them susceptible to bias under model misspecification and smaller sample sizes. We propose a deep joint model, DeepAJM, that does not require any parametric assumptions, while retaining a partially interpretable, per-longitudinal-outcome association structure. The joint model uses an encoder-decoder (sequence-to-sequence) architecture to learn the latent structure in patients' time-varying covariate trajectories. The model links the longitudinal processes to the survival processes through a learned interpretable association structure, in which each longitudinal output from the decoder gets remodulated by baseline covariates before it contributes to the risk scores from the survival head of the architecture. The model was evaluated on three datasets ( a cardiovascular-disease EHR cohort, a primary biliary cirrhosis (PBC2) dataset, and a simulated dataset) against a classical parametric joint model, TransformerJM, DA-LSTM and a Cox-based survival-only model. All models were assessed using C-index, integrated brier score (IBS), time-dependent AUROC, and time-dependent AUPRC. Our model achieved the best discrimination in terms of the C-index, time-dependent AUROC, and AUPRC across all datasets.
• Abstract（参考訳）: ジョイントモデルは、患者の縦方向のパターンを利用して、生存率の予測を改善するとともに、縦方向と生存率の同時モデル化を行う。 しかし、古典的なパラメトリックジョイントモデルは固定されたパラメトリック仮定に依存しており、モデルの不特定とより小さなサンプルサイズの下でバイアスを受けやすい。 本稿では,パラメトリックな仮定を必要としない深部関節モデルDeepAJMを提案する。 ジョイントモデルは、エンコーダ・デコーダ(シーケンス・ツー・シーケンス)アーキテクチャを使用して、患者の時間変化した共変量軌道の潜時構造を学習する。 モデルは、学習された解釈可能なアソシエーション構造を通じて、長手プロセスと生存過程をリンクし、デコーダからの各長手出力をベースライン共変器によって変更し、アーキテクチャのサバイバルヘッドからのリスクスコアに寄与する。 このモデルは, 古典的パラメトリック関節モデル, TransformerJM, DA-LSTM, Cox を用いた生存のみモデルに対して, 心血管障害性 EHR コーホート, 原発性胆汁性肝硬変 (PBC2) データセット, 模擬データセットの3つのデータセットで評価した。 全てのモデルは、C-index、統合ブライアスコア(IBS)、時間依存のAUROC、時間依存のAUPRCを用いて評価された。 我々のモデルは,全データセットのCインデックス,時間依存型AUROC,AUPRCで最高の識別を達成した。

関連論文リスト

• Modeling Clinical Workflow for SYNTAX Scoring from Coronary Angiography Videos [73.50200033931148]
  我々はSynTAXスコアを血管セグメントのアイデンティティ保存解剖学的推論問題として再構成する。 本手法は, 骨・骨・骨・骨・骨の骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨
  論文  参考訳（メタデータ） (2026-09-20T11:08:19Z)
• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• KAPLAN: Kolmogorov-Arnold Prognostic Learnable Activation Networks for Survival Analysis [11.337632710839166]
  共変量と時間との結合関数として条件付きハザードの非推定にKAPLAN-HRを導入する。 単一層KAPLAN-HRモデルはGAMを復元し、より深いアーキテクチャは合成を通して相互作用と時間変化の効果をキャプチャする。 KAPLAN-HRは6つの臨床ベンチマークデータセットに対する評価において、確立された統計的および深層学習サバイバル手法の予測性能に適合するか、それとも超えている。
  論文  参考訳（メタデータ） (2026-05-21T22:30:03Z)
• ARIES: Relation Assessment and Model Recommendation for Deep Time Series Forecasting [54.57031153712623]
  ARIESは時系列特性とモデリング戦略の関係を評価するためのフレームワークである。 実世界の時系列に解釈可能な提案を提供することのできる,最初の深層予測モデルレコメンデータを提案する。
  論文  参考訳（メタデータ） (2025-09-07T13:57:14Z)
• Modeling Long Sequences in Bladder Cancer Recurrence: A Comparative Evaluation of LSTM,Transformer,and Mamba [0.0]
  本研究では,Cox比例ハザードモデルを用いて,時系列データを扱う深層学習モデルの利点を統合する。 LSTM-Coxモデルは、TransformerやMambaといった新しいモデルにまたがる、リカレントなデータ解析と特徴抽出のための堅牢で効率的な方法である。
  論文  参考訳（メタデータ） (2024-05-28T18:38:15Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• Joint model for longitudinal and spatio-temporal survival data [3.8448145915428644]
  本研究では,空間的および時間的効果と相互作用を捉えるために,時空間結合モデル(STJM, Spatio-Nested Joint Model)を提案する。 我々は、米国住宅ローン借入者57,258人を対象に、250万人以上の観察を行った大規模データセットに対して、STJMを適用して全前払いの時期を予測した。
  論文  参考訳（メタデータ） (2023-11-07T14:05:14Z)
• Temporal Cascade and Structural Modelling of EHRs for Granular Readmission Prediction [10.943928059802174]
  本稿では,時間的カスケード関係をモデル化するための新しいモデルMEDCASを提案する。 MEDCASは、訪問タイプと時間ギャップをモデル化する点過程を、注目に基づくシーケンス・ツー・シーケンス学習モデルに統合する。 3つの実世界のEHRデータセットの実験を行い、ttexttMEDCASが両方のタスクで最先端のモデルより優れていることを示した。
  論文  参考訳（メタデータ） (2021-02-04T13:02:04Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。